KR20220109951A - 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치 - Google Patents

인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치 Download PDF

Info

Publication number
KR20220109951A
KR20220109951A KR1020210013581A KR20210013581A KR20220109951A KR 20220109951 A KR20220109951 A KR 20220109951A KR 1020210013581 A KR1020210013581 A KR 1020210013581A KR 20210013581 A KR20210013581 A KR 20210013581A KR 20220109951 A KR20220109951 A KR 20220109951A
Authority
KR
South Korea
Prior art keywords
target
signal
radar
signal map
map
Prior art date
Application number
KR1020210013581A
Other languages
English (en)
Other versions
KR102557458B1 (ko
Inventor
박성호
김태형
박재욱
박준태
박준현
윤선재
김다현
유창동
Original Assignee
엘아이지넥스원 주식회사
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘아이지넥스원 주식회사, 한국과학기술원 filed Critical 엘아이지넥스원 주식회사
Priority to KR1020210013581A priority Critical patent/KR102557458B1/ko
Publication of KR20220109951A publication Critical patent/KR20220109951A/ko
Application granted granted Critical
Publication of KR102557458B1 publication Critical patent/KR102557458B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50Systems of measurement based on relative movement of target
    • G01S13/52Discriminating between fixed and moving objects or between objects moving at different speeds
    • G01S13/522Discriminating between fixed and moving objects or between objects moving at different speeds using transmissions of interrupted pulse modulated waves
    • G01S13/524Discriminating between fixed and moving objects or between objects moving at different speeds using transmissions of interrupted pulse modulated waves based upon the phase or frequency shift resulting from movement of objects, with reference to the transmitted signals, e.g. coherent MTi
    • G01S13/5246Discriminating between fixed and moving objects or between objects moving at different speeds using transmissions of interrupted pulse modulated waves based upon the phase or frequency shift resulting from movement of objects, with reference to the transmitted signals, e.g. coherent MTi post processors for coherent MTI discriminators, e.g. residue cancellers, CFAR after Doppler filters
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88Radar or analogous systems specially adapted for specific applications
    • G01S13/89Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치를 개시한다.
본 발명의 실시예에 따른 레이다 표적 탐지 장치는,
레이다 파형신호를 송신하고, 상기 레이다 파형신호가 표적에 반사된 반사신호를 수신하는 레이다 안테나; 상기 반사 신호를 기반으로 합 채널 신호를 생성하는 수신부; 상기 합 채널 신호를 기반으로 도플러 처리를 수행하여 거리-도플러 기반의 제1 신호 맵을 생성하는 도플러 처리부; 기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 상기 클러터가 제거된 제2 신호 맵을 생성하는 클러터 제거부; 및 상기 제2 신호 맵을 이용하여 표적을 탐지하는 표적 탐지부를 포함할 수 있다.

Description

인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치{Method and Apparatus for Detecting Radar Target Based on Artificial Intelligence}
본 발명은 인공지능 기반으로 실제 환경에 대한 거리-도플러 신호 맵에서 레이다 표적 탐지를 수행하는 방법 및 그를 위한 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
레이다는 전파를 사용하여 표적의 거리, 각도 및 속도를 측정하는 탐지 시스템이다. 레이다 탐지 시스템에서 표적을 환경 장면과 구별하는 것은 매우 중요하다.
레이다 탐지 시스템은 거리-도플러 신호 맵을 이용하여 표적을 탐지할 수 있다. 거리-도플러 신호 맵에서 표적을 탐지하는 방법은 일반적으로 CFAR (constant false alarm rate) 방식을 사용하며, CFAR 방식은 반사경과 주변 사이의 신호 차이가 임계 값을 초과 할 때 표적을 예측하는 방식이다.
일반적으로 인공지능을 활용하여 거리-도플러 신호 맵에서 표적을 탐지하는 것은 두 가지 측면에서 어려움이 있다.
첫 번째로, 레이다 탐지 시스템에서 일반 이미지와 비교하여 거리-도플러 신호 맵 데이터의 공간 정보는 특정 거리 및 주파수를 나타내기 때문에 거리-도플러 신호 맵에서 표적을 탐지하는 것은 어렵다. 거리-도플러 신호 맵에서 표적 탐지는 거리-도플러 신호 맵 이미지의 두 축이 거리 및 주파수와 관련이 있기 때문에 레이다 탐지 시스템에서는 공간 정보를 고려하여 처리해야만 한다.
이러한 문제를 해결하기 위해 맥스 풀링(Max-pooling)을 사용하지 않는 네트워크가 제안되어 분류 작업의 성능은 향상되었으나, 실외 환경에서 실제로 획득한 거리-도플러 신호 맵에서 맥스 풀링을 사용하지 않으면 분류 작업의 성능이 저하되게 된다.
두 번째로, 레이다 탐지 시스템에서 사용된 합성 거리-도플러 신호 맵은 해수 스파이크, 바람 등과 같은 다양한 클러터(Clutter)의 존재를 고려하지 않아 실제 환경에서 표적을 탐지하기 어렵다.
최근에는 합성 거리-도플러 신호 맵에서 표적을 탐지하는 CNN 접근 방식에 대한 연구가 있다. 이러한 CNN 접근 방식의 네트워크는 합성 RD 맵에서 표적을 탐지하기 위하여 슬라이딩 윈도우를 사용한 픽셀 레벨 분류를 수행한다.
도 1의 (a)는 합성 거리-도플러 신호 맵을 나타내며, 도 1의 (b)는 실제 환경의 거리-도플러 신호 맵을 나타낸다. 레이다 탐지 시스템에서 합성 거리-도플러 신호 맵 데이터는 특정 노이즈에서 눈에 띄는 타겟 분포를 보여 주지만, 실제 환경 데이터는 배경 노이즈 및 클러터들로부터 표적의 분포를 감지하기 어렵다.
본 발명은 실제 환경 거리-도플러 신호 맵에서 표적을 탐지하기 위하여 학습을 통해 인공지능 기반의 표적 탐지 모델을 생성하고, 표적 탐지 모델을 기반으로 실제 환경에 대한 거리-도플러 신호 맵에서 클러터를 제거하여 표적을 탐지하는 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치를 제공하는 데 주된 목적이 있다.
본 발명의 일 측면에 의하면, 상기 목적을 달성하기 위한 레이다 표적 탐지 장치는, 레이다 파형신호를 송신하고, 상기 레이다 파형신호가 표적에 반사된 반사신호를 수신하는 레이다 안테나; 상기 반사 신호를 기반으로 합 채널 신호를 생성하는 수신부; 상기 합 채널 신호를 기반으로 도플러 처리를 수행하여 거리-도플러 기반의 제1 신호 맵을 생성하는 도플러 처리부; 기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 상기 클러터가 제거된 제2 신호 맵을 생성하는 클러터 제거부; 및 상기 제2 신호 맵을 이용하여 표적을 탐지하는 표적 탐지부를 포함할 수 있다.
또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 레이다 표적 탐지 방법은, 레이다 파형신호를 송신하고, 상기 레이다 파형신호가 표적에 반사된 반사신호를 수신하는 레이다 송수신 단계; 상기 반사 신호를 기반으로 합 채널 신호를 생성하는 수신 단계; 상기 합 채널 신호를 기반으로 도플러 처리를 수행하여 거리-도플러 기반의 제1 신호 맵을 생성하는 도플러 처리 단계; 기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 상기 클러터가 제거된 제2 신호 맵을 생성하는 클러터 제거 단계; 및 상기 제2 신호 맵을 이용하여 표적을 탐지하는 표적 탐지 단계를 포함할 수 있다.
이상에서 설명한 바와 같이, 본 발명은 기존의 머신 러닝 방식에서 사용한 휴리스틱(heuristics) 알로리즘 기반의 특징 추출 방식의 한계를 극복할 수 있다는 효과가 있다.
또한, 본 발명은 GPU를 활용한 높은 연산능력을 활용한 고사양(High Capacity) 모델의 개발이 가능하며, 방대한 데이터셋의 활용을 통한 모델의 일반성을 획득할 수 있다는 효과가 있다.
또한, 본 발명은 기존 방식 대비 표적 검출 능력을 향상시킬 수 있으며, 클러터 제거 성능의 비약적 상승으로 인해 표적의 오탐지는 최소화하고, 레이다 단면적(RCS: radar cross section)이 작은 표적의 탐지가 가능한 효과가 있다.
도 1은 일반적인 합성 기반 레이다 데이터 및 실제 취득 레이다 데이터를 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 레이다 표적 탐지 장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 발명의 실시예에 따른 레이다 표적 탐지 장치의 클러터 처리부를 개략적으로 나타낸 블록 구성도이다.
도 4는 본 발명의 실시예에 따른 클러터 처리를 위한 표적 탐지 모델을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 인공지능 기반의 레이다 표적 탐지를 위한 학습 모델 처리 동작을 설명하기 위한 순서도이다.
도 6은 본 발명의 실시예에 따른 인공지능 기반의 레이다 표적 탐지 방법을 설명하기 위한 순서도이다.
도 7 내지 도 9는 본 발명의 실시예에 따른 레이다 표적 탐지 장치의 표적 탐지 실험 및 실험 결과를 나타낸 예시도이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다. 이하에서는 도면들을 참조하여 본 발명에서 제안하는 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치에 대해 자세하게 설명하기로 한다.
도 2는 본 발명의 실시예에 따른 레이다 표적 탐지 장치를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 레이다 표적 탐지 장치(200)는 레이다 안테나(210), 수신부(220), 도플러 처리부(230), 클러터 제거부(240), 표적 탐지부(250) 및 학습 모델 처리부(260)를 포함한다. 도 2의 레이다 표적 탐지 장치(200)는 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 레이다 표적 탐지 장치(200)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다.
레이다 표적 탐지 장치(200)는 인공지능 기반의 표적 탐지 모델을 이용하여 실제 환경에 대한 거리-도플러 신호 맵에서 표적을 탐지하는 동작을 수행한다. 여기서, 표적 탐지 모델은 심층 신경망(DNN: Deep Neural Network)으로 구성되는 것이 바람직하나 반드시 이에 한정되는 것은 아니다. 이하, 레이다 표적 탐지 장치(200)의 구성요소 각각에 대해 설명하도록 한다.
레이다 안테나(210)는 표적 탐지를 위하여 레이다 파형신호를 송신(방사)하고, 표적들로부터 레이다 파형 신호가 반사된 반사 신호를 수신한다. 레이다 안테나(210)에서 송수신되는 레이다 파형신호, 반사 신호 등은 RF(Radio Frequency) 신호일 수 있으며, 레이다 안테나(210)는 다양한 형태의 안테나로 구현될 수 있다.
수신부(220)는 레이다 파형을 기반으로 수신된 반사 신호를 기반으로 합 채널 신호를 생성한다.
수신부(220)는 수신한 복수 개의 채널 신호들을 통해 합 채널 신호를 생성할 수 있다.
본 발명의 일 실시 예에 따른 수신부(220)는 레이다 안테나(210)에서 수신한 복수 개의 채널 신호들에 가중치를 적용하여 합산할 수 있다. 예를 들어, 수신부(220)는 복수의 하이브리드 커플러를 포함할 수 있고, 하이브리드 커플러를 이용하여 복수 개의 채널 신호들에 가중치를 적용하여 합산한 합 채널 신호를 생성할 수 있다.
도플러 처리부(230)는 합 채널 신호를 기반으로 도플러 처리를 수행하여 거리-도플러 기반의 제1 신호 맵을 생성한다.
도플러 처리부(230)는 지정된 개수의 펄스신호가 취합된 합채널 신호를 도플러 방향 고속퓨리에변환(FFT)를 수행하여 실제 환경에 대한 거리-도플러 신호 맵인 제1 신호 맵을 생성한다. 제1 신호 맵은 실제 환경에 대한 다수의 클러터, 배경 노이즈 등이 포함될 수 있다.
클러터 제거부(240)는 기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 클러터가 제거된 제2 신호 맵을 생성한다. 여기서, 기 학습된 신경망 모델은 표적 탐지 모델일 수 있으며, 학습 모델 처리부(260)에서 기 학습된 표적 탐지 모델일 수 있다.
클러터 제거부(240)는 제1 신호 맵을 입력 받아 다운 샘플링을 수행하여 제1 신호 맵 내에서 표적과 관련된 대상을 분류하여 제1 특징 데이터를 생성한다.
또한, 클러터 제거부(240)는 제1 특징 데이터를 생성하는 과정에서 생성된 적어도 하나의 특징 데이터를 필터링 처리하여 표적 특징 압축 데이터를 생성할 수 있다.
클러터 제거부(240)는 제1 특징 데이터 및 표적 특징 압축 데이터를 입력 받아 업 샘플링을 수행하여 표적과 관련된 대상을 포함하는 제1 신호 맵의 크기로 복원하여 제2 신호 맵을 생성한다.
표적 탐지부(250)는 제2 신호 맵을 이용하여 표적을 탐지하는 동작을 수행한다.
표적 탐지부(250)는 제2 신호 맵을 기반으로 레이다 지도 상에 클러터가 제거된 표적 후보를 표시하고, 최종적으로 표적을 탐지한다. 여기서, 표적 탐지부(250)는 CA-CFAR(Cell Average-Constant False Alarm Rate) 방식을 이용하여 표적을 탐지하는 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
학습 모델 처리부(260)는 클러터 제거를 위한 신경망 모델을 학습하여 표적 탐지 모델(신경망 모델)을 생성하는 동작을 수행한다.
학습 모델 처리부(260)는 필드 테스트를 통하여 획득된 라이다 수신신호를 기반으로 생성된 거리-도플러 신호 맵을 학습 입력 데이터로 생성한다.
학습 모델 처리부(260)는 학습 입력 데이터를 기 설정된 학습 모델에 입력하여 표적 데이터 및 클러터 데이터를 라벨링하는 단계를 반복적으로 수행한다.
학습 모델 처리부(260)는 표적 데이터 및 클러터 데이터를 라벨링하는 단계를 반복적으로 수행하여 결정된 가중치 행렬을 기반으로 표적 탐지 모델(신경망 모델)을 생성한다.
학습 모델 처리부(260)는 생성된 표적 탐지 모델(신경망 모델)을 클러터 제거부(240)로 전송하여 제1 신호 맵에 포함된 클러터들을 제거한 제2 신호 맵이 생성되도록 한다.
도 3은 본 발명의 실시예에 따른 레이다 표적 탐지 장치의 클러터 처리부를 개략적으로 나타낸 블록 구성도이다.
클러터 제거부(240)는 기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 클러터가 제거된 제2 신호 맵을 생성한다. 본 실시예에 따른 클러터 제거부(240)는 인코더(242), 표적 특징 압축부(244) 및 디코더(246)를 포함한다.
인코더(242)는 제1 신호 맵을 입력 받아 다운 샘플링을 수행하여 제1 신호 맵 내에서 표적과 관련된 대상을 분류하여 제1 특징 데이터를 생성한다. 인코더(242)는 32 × 32 크기의 제1 신호 맵을 입력으로 사용할 수 있다.
본 실시예에 따른 인코더(242)는 3 개의 컨볼루션 레이어, 맥스 풀링 레이어 및 풀리 커넥트 레이어로 구성될 수 있다.
표적 특징 압축부(244)는 제1 특징 데이터를 생성하는 과정에서 생성된 적어도 하나의 특징 데이터를 필터링 처리하여 표적 특징 압축 데이터를 생성할 수 있다.
표적 특징 압축부(244)는 인코더(242)의 첫 번째 및 두 번째 컨볼루션 레이어 각각의 출력을 필터링 처리하여 제1 표적 특징 압축 데이터 및 제2 표적 특징 압축 데이터를 생성한다.
한편, 표적 특징 압축부(244)는 인코더(242)의 첫 번째 및 두 번째 컨볼루션 레이어 각각의 출력을 필터링 처리하고, 컨볼루션 레이어의 순서에 따라 서로 다르게 설정된 가중치(제1 가중치 및 제2 가중치)를 필터링된 결과 각각에 적용하여 제1 표적 특징 압축 데이터 및 제2 표적 특징 압축 데이터를 생성한다. 여기서, 서로 다르게 설정된 가중치(제1 가중치 및 제2 가중치)는 사용자가 기 설정한 서로 다른 값일 수 있으나 반드시 이에 한정되는 것은 아니며, 제1 신호 맵에 포함된 클러터의 개수에 근거하여 자동으로 서로 다르게 설정된 값일 수 있다. 또한, 표적 특징 압축부(244)는 제1 신호 맵에 포함된 클러터의 개수에 근거하여 제1 가중치를 산출하고, 산출된 제1 가중치에 기 설정된 연산 처리를 적용하여 자동으로 제2 가중치를 산출할 수도 있다.
표적 특징 압축부(244)를 통해 생성된 제1 표적 특징 압축 데이터는 디코더(246)의 두 번째 디컨볼루션 레이어에 추가된다. 또한, 표적 특징 압축부(244)를 통해 생성된 제2 표적 특징 압축 데이터는 디코더(246)의 첫 번째 디컨볼루션 레이어에 추가된다.
디코더(246)는 제1 특징 데이터 및 표적 특징 압축 데이터를 입력 받아 업 샘플링을 수행하여 표적과 관련된 대상을 포함하는 제1 신호 맵의 크기로 복원하여 제2 신호 맵을 생성한다.
도 4는 본 발명의 실시예에 따른 클러터 처리를 위한 표적 탐지 모델을 나타낸 도면이다.
본 실시예에 따른 레이다 표적 탐지 장치(200)는 실제 환경에 대한 거리-도플러 맵에서 표적을 탐지하기 위하여 표적 탐지 모델(신경망 모델)를 사용한다.
이러한 표적 탐지 모델은 공간 정보를 최대한 활용할 수 있는 표적 탐지를 위한 분할 네트워크(Segmentation Network)이며, 실제 환경에 대한 거리-도플러 신호 맵의 데이터는 표적 탐지 모델을 강건하게 한다.
거리-도플러 신호 맵 데이터의 공간 정보는 특정 거리와 주파수를 나타내므로 레이다 표적 탐지 장치(200)는 공간 정보를 고려해야 한다. 따라서, 레이다 표적 탐지 장치(200)에서는 물체 주변의 경계 상자를 획득하는 검출 방법보다 픽셀 수준에서 물체의 경계를 획득하는 분할 네트워크를 사용하는 것이 바람직하다. 여기서, 표적 탐지 모델은 U-Net 기반 분할 네트워크일 수 있다.
본 실시예에 따른 레이다 표적 탐지 장치(200)의 표적 탐지 모델은 계산 효율성이 있으며 여러 계층의 출력을 동시에 계산하여 표적의 위치 파악 및 상황 인식이 향상된다.
실제 환경 거리-도플러 신호 맵은 합성 거리-도플러 신호 맵에 비해 많은 클러터와 배경 노이즈가 존재한다. 즉, 합성 거리-도플러 신호 맵에는 특정 노이즈에서 눈에 띄는 표적 신호가 포함되어 있지만, 실제 환경 거리-도플러 신호 맵에는 바람, 해수 스파이크, 배경 노이즈 등과 같은 다수의 클러터들과 표적 신호가 함께 포함되어 있다. 이에, 본 실시예에 따른 레이다 표적 탐지 장치(200)는 강건한 표적 탐지를 위해 실제 환경에 대한 데이터 세트를 사용하는 것이 합리적이다.
다시 말해, 본 실시예에 따른 레이다 표적 탐지 장치(200)는 실제 환경 거리-도플러 신호 맵에서 공간 정보를 고려한 계산 효율적인 아키텍처인 표적 탐지 모델을 사용하며, 클러터와 배경 노이즈가 존재하는 실제 환경 거리-도플러 신호 맵 기반의 데이터 셋을 구축함으로써 강건한 표적 탐지 모델을 구현할 수 있다. 또한, 레이다 표적 탐지 장치(200)는 종래의 표적 탐지 방식(예: CFAR 기법)에 비해 표적 탐지 정밀도 및 재현율 성능을 향상시킬 수 있다.
레이다 표적 탐지 장치(200)에서 표적 탐지를 위해 사용되는 실제 환경 거리-도플러 신호 맵은 상대 거리 및 도플러 빈에 따른 전력 정보를 포함하는 2 차원 행렬이다. 예를 들어, 실제 환경 거리-도플러 신호 맵에서 거리 축은 레이다를 통해 12.5 m 간격으로 약 4 km 내지 35 km 범위의 표적에 대한 정보를 포함하고, 도플러 빈 축은 32 DFT(Discrete Fourier Transform)의 구성 요소를 포함한다.
레이다 표적 탐지 장치(200)는 표적 탐지 모델(신경망)에서 실제 환경 거리-도플러 신호 맵을 쉽게 처리하기 위해 각 거리-도플러 신호 맵을 32 x 32 크기의 패치로 분할한다.
도 1의 (b)에 도시된 바와 같이, 실제 환경 거리-도플러 신호 맵의 패치에서 표적 주변에는 표적에 대한 고유 분포가 있으며, 나머지 부분은 클러터와 배경 데이터이다. 실제 환경 거리-도플러 신호 맵에서 클러터는 크기와 규모가 다양하기 때문에 표적과 클러터를 구별하는 것은 어렵다. 따라서,
레이다 표적 탐지 장치(200)는 표적 탐지 모델을 사용하여 표적의 분포를 학습하고, 실제 환경 거리-도플러 신호 맵의 패치를 표적 탐지 모델의 초기 입력 데이터로 사용할 수 있다.
이하, 레이다 표적 탐지 장치(200)의 표적 탐지 모델에 대한 구조를 설명하도록 한다. 여기서, 표적 탐지 모델의 동작은 레이다 표적 탐지 장치(200)의 클러터 제거부(240), 학습 모델 처리부(260) 등에서 수행될 수 있으나 반드시 이에 한정되는 것은 아니다.
표적 탐지 모델에서 표적 분류 작업(target classification task)은 실제 환경 거리-도플러 신호 맵에서 표적 분포에 대한 고유 정보를 획득하기 위하여 수행된다.
분할 모델인 표적 탐지 모델은 표적의 고유 정보를 획득하기 위하여 표적 분류 네트워크를 인코더로 사용한다. 표적 분류 네트워크는 하나의 패치에 표적이 있는지 여부를 분류할 수 있다. [표 1]은
실제 환경 거리-도플러 신호 맵의 표적 분류 네트워크 즉, 인코더의 구성을 나타낸다.
Figure pat00001
인코더는 32 × 32 RD 맵 패치를 입력으로 사용하며, 3 개의 컨볼루션 레이어, 맥스 풀링 레이어 및 풀리 커넥트 레이어로 구성된다. 인코더에서 배치 정규화 및 ReLU(Rectified Linear Unit)는 모든 컨볼루션 레이어 이후에 적용된다. 또한, ReLU만은 풀리 커넥트 레이어 이후에 적용된다.
본 실시예에 따른 표적 탐지 모델은 실제 환경 거리-도플러 신호 맵을 위한 픽셀-레벨 시맨틱 분할 네트워크를 의미한다.
도 4를 참고하면, 표적 탐지 모델의 기본 구조는 인코더-디코더 네트워크 모델이다. 인코더(242) 부분에서는 분류 네트워크를 사용하여 높은 레벨의 특징 컴포넌트를 효율적으로 획득할 수 있다.
인코더(242)에서 분류 모듈의 주황색 블록은 맥스 풀링 레이어로 인한 다운 샘플링을 나타낸다. 인코더는 분류 작업에 의해 사전 훈련될 수 있다.
디코더(244) 부분에서 녹색 블록은 디컨볼루션 레이어로 인한 업 샘플링을 나타낸다. 각 디컨볼루션 레이어에서 출력 크기는 초기 입력 크기까지 두 배로 증가한다. ReLU 및 배치 정규화는 디컨볼루션 레이어 이후에 적용된다.
인코더 및 디코더의 처리 과정에서 낮은 레벨의 특징들의 공간 정보는 표적 특징 압축부(246)에 의해 보존될 수 있다. 특징들의 공간 정보를 보존하기 위해서 표적 특징 압축부(246)는 인코더(242)의 첫 번째 및 두 번째 컨볼루션 레이어의 출력이 자주색 블록으로 표시되는 U-Net와 같은 디코더의 첫 번째 및 두 번째 출력에 요소 별로 추가되도록 한다.
마지막으로 표적 탐지 모델은 32 × 32 크기의 실제 환경 거리-도플러 신호 맵의 패치에서 표적을 분할한다.
표적 탐지 모델은 표적을 분할하기 위하여 그라운드 트루스 맵(Ground Truth Map)을 사용한다. 표적 탐지 모델의 그라운드 트루스 맵에는 표적 신호의 분포를 포함하는 3 × 3 크기의 표적에 대한 레이블이 포함되어 있다.
실제 환경 거리-도플러 신호 맵의 패치에는 배경 데이터가 표적 데이터보다 많이 존재하기 때문에 양수 레이블과 음수 레이블의 균형을 맞출 필요가 있다. 이러한 양수 레이블과 음수 레이블의 불균형 데이터 분포를 완화하기 위해 가중 이진 교차 엔트로피 손실 함수(the weighted binary cross entropy loss function)가 사용될 수 있다. 이러한 손실 함수는 [수학식 1]과 같이 정의될 수 있다.
Figure pat00002
본 실시예에 따른 표적 탐지 모델에서 가중 이진 교차 엔트로피 손실 함수(Loss)는 하이퍼 파라미터 λ를 사용하여 거짓 부정(FN: False Negatives)으로 인한 손실에 더 많은 가중치를 부여한다. σ(x)는 네트워크(신경망 모델)의 출력 x의 시그모이드 함수를 의미하고, y는 그라운드 트루스 맵의 레이블을 의미한다.
도 5는 본 발명의 실시예에 따른 인공지능 기반의 레이다 표적 탐지를 위한 학습 모델 처리 동작을 설명하기 위한 순서도이다.
레이다 표적 탐지 장치(200)는 클러터 제거를 위한 신경망 모델을 학습하여 표적 탐지 모델(신경망 모델)을 생성하는 동작을 수행한다.
레이다 표적 탐지 장치(200)는 필드 테스트를 통하여 라이다 수신신호를 획득하고(S510), 획득된 라이다 수신신호를 기반으로 생성된 거리-도플러 신호 맵을 학습 입력 데이터로 생성한다(S520).
레이다 표적 탐지 장치(200)는 학습 입력 데이터를 기 설정된 학습 모델에 입력하여 표적 데이터 및 클러터 데이터를 라벨링하며(S530), 표적 데이터 및 클러터 데이터를 라벨링하는 동작을 반복적으로 수행한다(S540).
레이다 표적 탐지 장치(200)는 표적 데이터 및 클러터 데이터를 라벨링하는 단계를 반복적으로 수행하여 결정된 가중치 행렬을 기반으로 표적 탐지 모델(신경망 모델)을 생성한다(S550). 여기서, 표적 탐지 모델은 심층 신경망(DNN) 기반의 학습 모델인 것이 바람직하다.
도 6은 본 발명의 실시예에 따른 인공지능 기반의 레이다 표적 탐지 방법을 설명하기 위한 순서도이다.
레이다 표적 탐지 장치(200)는 표적 탐지를 위하여 레이다 파형신호를 송신(방사)하고, 표적들로부터 레이다 파형 신호가 반사된 반사 신호를 수신한다(S610).
레이다 표적 탐지 장치(200)는 레이다 파형을 기반으로 수신된 반사 신호를 기반으로 합 채널 신호를 생성한다(S620).
레이다 표적 탐지 장치(200)는 합 채널 신호를 기반으로 도플러 처리를 수행하여 거리-도플러 기반의 제1 신호 맵을 생성한다(S630, S632). 레이다 표적 탐지 장치(200)는 지정된 개수의 펄스신호가 취합된 합채널 신호를 도플러 방향 고속퓨리에변환(FFT)를 수행하여 실제 환경에 대한 거리-도플러 신호 맵인 제1 신호 맵을 생성한다. 여기서, 제1 신호 맵은 실제 환경에 대한 다수의 클러터, 배경 노이즈 등이 포함될 수 있다.
레이다 표적 탐지 장치(200)는 기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 클러터가 제거된 제2 신호 맵을 생성한다.
레이다 표적 탐지 장치(200)는 제1 신호 맵을 입력 받아 다운 샘플링을 수행하여 제1 신호 맵 내에서 표적과 관련된 대상을 분류하여 제1 특징 데이터를 생성한다(S640). 레이다 표적 탐지 장치(200)는 제1 특징 데이터를 생성하는 과정에서 생성된 적어도 하나의 특징 데이터를 필터링 처리하여 표적 특징 압축 데이터를 생성할 수 있다(S642). 레이다 표적 탐지 장치(200)는 제1 특징 데이터 및 표적 특징 압축 데이터를 입력 받아 업 샘플링을 수행하여 표적과 관련된 대상을 포함하는 제1 신호 맵의 크기로 복원하여 제2 신호 맵을 생성한다(S644, S650).
레이다 표적 탐지 장치(200)는 CA-CFAR 방식을 적용하여 제2 신호 맵을 기반 레이다 지도 상에 클러터가 제거된 표적 후보를 표시하고(S660), 최종적으로 표적을 탐지한다(S670). 여기서, 최종적으로 탐지된 표적은 이동 중인 표적일 수 있으나 반드시 이에 한정되는 것은 아니다.
도 5 및 도 6 각각에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 5 및 도 6 각각에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 5 및 도 6 각각은 시계열적인 순서로 한정되는 것은 아니다.
도 5 및 도 6에 기재된 본 실시예에 따른 레이다 표적 탐지 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 레이다 표적 탐지 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 7 내지 도 9는 본 발명의 실시예에 따른 레이다 표적 탐지 장치의 표적 탐지 실험 및 실험 결과를 나타낸 예시도이다.
< 표적 탐지 실험: 데이터 셋>
실제 환경 거리-도플러 신호 맵은 해안과 바다가 모두 보이는 언덕의 레이다에 의해 생성되었으며, 바다에는 주위 환경의 노이즈와 클러터가 혼합된 배, 움직이는 물체 등과 같은 표적들이 존재한다.
분류 데이터 세트에는 표적이 있는 패치와 표적이 없는 패치가 포함된다. 훈련 세트는 약 60,000 개의 패치, 유효성 검사 세트는 약 12,000 개의 패치, 테스트 세트는 약 12,000 개의 패치이다.
분할 데이터 세트에는 표적이 있는 유일한 패치가 포함된다. 표적 탐지 모델을 훈련하기 위한 그라운드 트루스 맵은 표적 정보가 없는 픽셀에 0 레이블이 포함되고, 표적 정보가 있는 픽셀에 1 레이블이 포함된다. 훈련 세트는 약 30,000 개의 패치, 유효성 검사 세트는 약 6,000 개의 패치, 테스트 세트는 모든 그라운드 트루스 맵을 포함하는 약 6,000 개의 패치이다.
<표적 탐지 실험: 트레이닝>
표적 탐지 모델을 훈련시키기 위하여 먼저 분류 네트워크를 훈련한다.
L2 정규화를 사용한 이진 교차 엔트로피 손실 함수는 분류 네트워크에 적용된다. 분류 네트워크의 사전 훈련된 모델은 표적 탐지 모델의 인코더에 사용된다.
ReLU 활성화는 비선형 활성화이므로, 표적 탐지 모델의 디코더는 카이밍 해(Kaiming He) 초기화를 사용한다. ReLU 활성화를 포함하지 않는 마지막 계층 만이 가중치 초기화를 위해 세비어 균등(Xavier Uniform) 초기화를 사용하고 확률적 경사 하강법으로 최적화된다. 표적 탐지 모델의 훈련 시간은 메모리가 약 12GB 인 GTX TITAN X가 장착 된 장치로 약 7 시간이 소요되었다.
<표적 탐지 실험: 실험 결과>
모호성 해결은 일반적으로 두 신호 간의 유사성을 해결하는 데 사용된다. 레이다 신호 처리에서 레이다는 주기적 펄스 변조에서 반사기를 감지한다. 펄스 변조는 주기적인 신호이므로 모든 주기에서 주기적인 반사 신호를 생성한다. 따라서, 수신 신호 이전에 얼마나 많은 펄스가 전송되었는지 알 수 없는 모호함이 있다. 이러한, 모호성을 해결하기 위한 일반적인 솔루션은 다중 펄스 반복 주파수(PRF: Pulse Repetition Frequencies)를 사용하는 것이다.
도 7은 모호성이 해결되는 방법을 설명하기 위한 도면이다. 두 펄스 변조 각각은 PRF f1 및 PRF f2가 존재한다. 반사 신호는 펄스 변조에 의해 주기적으로 나타난다. 도 7을 참조하면, A 지점에서 두 반사경 신호가 겹쳐진다. A 지점은 레이다로부터의 실제 거리로 추론할 수 있다. 이 원리를 사용하여 감지된 표적의 모호성을 해결하기 위해 4 가지 종류의 PRF 거리-도플러 신호 맵을 사용한다. 모호성 해상도에서 얻은 표적의 실제 거리는 레이다에서 가져온 방위각에 따라 레이다 맵에 표시 될 수 있다.
도 8은 실제 거리가 표시된 표적과 라이다 맵을 나타낸다.
도 8의 (a)의 파란색 점은 CFAR에서 탐지된 결과(표적 후보)를 나타내고, 도 8의 (b)의 빨간색 점은 본 실시예에 따른 표적 탐지 모델을 통해 탐지된 결과(표적 후보)를 나타낸다. 녹색 원은 실제 표적의 위치를 의미한다. 실제 명확한 표적 위치를 얻기 위해, 여러 필터와 클러스터 방법이 추가로 사용될 수 있다. 따라서, CFAR 및 표적 탐지 모델의 표적 후보가 실제 표적에 가깝다면 더 좋다.
[표 2]는 실제 표적을 기반으로 한 표적 탐지 모델 및 CFAR의 정밀도와 재현율을 나타낸다.
Figure pat00003
[표 2]를 참고하면, 재현율과 정밀도 측면에서 표적 탐지 모델은 CFAR보다 성능이 뛰어나다는 것을 확인할 수 있다. λ가 8/3 인 경우 표적 탐지 모델은 정밀도면에서 CFAR보다 약 4 배 더 좋은 탐지 결과를 도출한다. 본 실시예에 따른 표적 탐지 모델은 실제 환경에서 표적의 분포를 학습했으므로 표적에서 클러터들과 배경 노이즈들을 더 잘 제외할 수 있다.
한편, 기울기 기반 캠(GradCam: Gradient-weighted CAM)은 특정 레이어에 가중치의 그라디언트(gradient)를 저장하고 그라디언트가 실제 입력 이미지에 미치는 영향을 히트맵으로 나타낼 수 있다. 이를 통해, 네트워크가 실제 표적의 분포를 어떻게 학습하는지 확인할 수 있다.
도 9는 표적 분류 네트워크(Target Classification Network)의 마지막 컨볼루션 레이어에 대한 히트맵을 나타낸다. 도 9의 (a)는 거리-도플러 맵 패치의 회색조 이미지를 나타낸다. 거리-도플러 맵 패치에서 전력이 가장 큰 지점은 파란색으로 표시되고, 실제 표적이 있는 지점은 빨간색으로 표시된다. 도 9의 (b)는 네트워크가 단순히 거리-도플러 맵 패치의 최대값에 초점을 맞추지 않고 표적의 분포에 초점을 맞추고 있음을 보여준다.
이상의 설명은 본 발명의 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 실시예들은 본 발명의 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
200: 표적 탐지 장치
210: 레이다 안테나 220: 수신부
230: 도플러 처리부 240: 클러터 제거부
250: 표적 탐지부 260: 학습 모델 처리부

Claims (12)

  1. 레이다 파형신호를 송신하고, 상기 레이다 파형신호가 표적에 반사된 반사신호를 수신하는 레이다 안테나;
    상기 반사 신호를 기반으로 합 채널 신호를 생성하는 수신부;
    상기 합 채널 신호를 기반으로 도플러 처리를 수행하여 거리-도플러 기반의 제1 신호 맵을 생성하는 도플러 처리부;
    기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 상기 클러터가 제거된 제2 신호 맵을 생성하는 클러터 제거부; 및
    상기 제2 신호 맵을 이용하여 표적을 탐지하는 표적 탐지부
    를 포함하는 것을 특징으로 하는 레이다 표적 탐지 장치.
  2. 제1항에 있어서,
    클러터 제거를 위한 신경망 모델을 학습하여 상기 신경망 모델을 생성하는 학습 모델 처리부를 추가로 포함하는 것을 특징으로 하는 레이다 표적 탐지 장치.
  3. 제2항에 있어서,
    상기 학습 모델 처리부는,
    필드 테스트를 통하여 획득된 라이다 수신신호를 기반으로 생성된 거리-도플러 신호 맵을 학습 입력 데이터로 생성하고,
    상기 학습 입력 데이터를 기 설정된 학습 모델에 입력하여 표적 데이터 및 클러터 데이터를 라벨링하는 단계를 반복적으로 수행하고, 상기 단계를 통해 결정된 가중치 행렬을 기반으로 상기 신경망 모델을 생성하는 것을 특징으로 하는 레이다 표적 탐지 장치.
  4. 제1항에 있어서,
    상기 클러터 제거부는,
    상기 제1 신호 맵을 입력 받아 다운 샘플링을 수행하여 상기 제1 신호 맵 내에서 표적과 관련된 대상을 분류하여 제1 특징 데이터를 생성하는 인코더;
    상기 제1 특징 데이터를 생성하는 과정에서 생성된 적어도 하나의 특징 데이터를 필터링 처리하여 표적 특징 압축 데이터를 생성하는 표적 특징 압축부; 및
    상기 제1 특징 데이터 및 상기 표적 특징 압축 데이터를 입력 받아 업 샘플링을 수행하여 상기 표적과 관련된 대상을 포함하는 제2 신호 맵으로 복원하고, 복원된 제2 신호 맵을 생성하는 디코더
    를 포함하는 것을 특징으로 하는 레이다 표적 탐지 장치.
  5. 제4항에 있어서,
    상기 표적 탐지부는,
    상기 제2 신호 맵을 기반으로 레이다 지도 상에 클러터가 제거된 표적 후보를 표시하고, 최종적으로 표적을 탐지하되,
    상기 표적 탐지부는 CA-CFAR(Cell Average-Constant False Alarm Rate) 방식을 이용하여 상기 표적을 탐지하는 것을 특징으로 하는 레이다 표적 탐지 장치.
  6. 제4항에 있어서,
    상기 인코더는,
    32 × 32 크기의 제1 신호 맵을 입력으로 사용하며, 3 개의 컨볼루션 레이어, 최대 풀링 레이어 및 완전 연결 레이어로 구성되는 것을 특징으로 하는 레이다 표적 탐지 장치.
  7. 제6항에 있어서,
    상기 표적 특징 압축부는,
    상기 인코더의 첫 번째 및 두 번째 컨볼루션 레이어 각각의 출력을 필터링 처리하여 제1 표적 특징 압축 데이터 및 제2 표적 특징 압축 데이터를 생성하고,
    상기 제1 표적 특징 압축 데이터는 상기 디코더의 두 번째 디컨볼루션 레이어에 추가되고, 상기 제2 표적 특징 압축 데이터는 상기 디코더의 첫 번째 디컨볼루션 레이어에 추가되도록 하는 것을 특징으로 하는 레이다 표적 탐지 장치.
  8. 레이다 표적 탐지 장치에서 표적을 탐지하는 방법에 있어서,
    레이다 파형신호를 송신하고, 상기 레이다 파형신호가 표적에 반사된 반사신호를 수신하는 레이다 송수신 단계;
    상기 반사 신호를 기반으로 합 채널 신호를 생성하는 수신 단계;
    상기 합 채널 신호를 기반으로 도플러 처리를 수행하여 거리-도플러 기반의 제1 신호 맵을 생성하는 도플러 처리 단계;
    기 학습된 신경망 모델을 적용하여 상기 제1 신호 맵에서 클러터를 제거하고, 상기 클러터가 제거된 제2 신호 맵을 생성하는 클러터 제거 단계; 및
    상기 제2 신호 맵을 이용하여 표적을 탐지하는 표적 탐지 단계
    를 포함하는 것을 특징으로 하는 레이다 표적 탐지 방법.
  9. 제8항에 있어서,
    상기 클러터 제거 단계는,
    상기 제1 신호 맵을 입력 받아 다운 샘플링을 수행하여 상기 제1 신호 맵 내에서 표적과 관련된 대상을 분류하여 제1 특징 데이터를 생성하는 인코딩 단계;
    상기 제1 특징 데이터를 생성하는 과정에서 생성된 적어도 하나의 특징 데이터를 필터링 처리하여 표적 특징 압축 데이터를 생성하는 표적 특징 압축 단계; 및
    상기 제1 특징 데이터 및 상기 표적 특징 압축 데이터를 입력 받아 업 샘플링을 수행하여 상기 표적과 관련된 대상을 포함하는 제2 신호 맵으로 복원하고, 복원된 제2 신호 맵을 생성하는 디코딩 단계
    를 포함하는 것을 특징으로 하는 레이다 표적 탐지 방법.
  10. 제9항에 있어서,
    상기 표적 탐지 단계는,
    상기 제2 신호 맵을 기반으로 레이다 지도 상에 클러터가 제거된 표적 후보를 표시하고, 최종적으로 표적을 탐지하되,
    상기 표적 탐지 단계는 CA-CFAR(Cell Average-Constant False Alarm Rate) 방식을 이용하여 상기 표적을 탐지하는 것을 특징으로 하는 레이다 표적 탐지 방법.
  11. 제9항에 있어서,
    상기 인코딩 단계는,
    32 × 32 크기의 제1 신호 맵을 입력으로 사용하며, 3 개의 컨볼루션 레이어, 최대 풀링 레이어 및 완전 연결 레이어로 구성되는 것을 특징으로 하는 레이다 표적 탐지 방법.
  12. 제12항에 있어서,
    상기 표적 특징 압축단계는,
    상기 인코딩 단계의 첫 번째 및 두 번째 컨볼루션 레이어 각각의 출력을 필터링 처리하여 제1 표적 특징 압축 데이터 및 제2 표적 특징 압축 데이터를 생성하고,
    상기 제1 표적 특징 압축 데이터는 상기 디코딩 단계의 두 번째 디컨볼루션 레이어에 추가되고, 상기 제2 표적 특징 압축 데이터는 상기 디코딩 단계의 첫 번째 디컨볼루션 레이어에 추가되도록 하는 것을 특징으로 하는 레이다 표적 탐지 방법.
KR1020210013581A 2021-01-29 2021-01-29 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치 KR102557458B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210013581A KR102557458B1 (ko) 2021-01-29 2021-01-29 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210013581A KR102557458B1 (ko) 2021-01-29 2021-01-29 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치

Publications (2)

Publication Number Publication Date
KR20220109951A true KR20220109951A (ko) 2022-08-05
KR102557458B1 KR102557458B1 (ko) 2023-07-19

Family

ID=82826237

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210013581A KR102557458B1 (ko) 2021-01-29 2021-01-29 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치

Country Status (1)

Country Link
KR (1) KR102557458B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102641022B1 (ko) * 2023-08-11 2024-02-28 대한민국 인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020180875A (ja) * 2019-04-25 2020-11-05 三菱電機株式会社 クラッタ学習装置及びクラッタ識別装置
JP6820130B2 (ja) * 2018-06-28 2021-01-27 三菱電機株式会社 目標検出装置、測角装置及びレーダ装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6820130B2 (ja) * 2018-06-28 2021-01-27 三菱電機株式会社 目標検出装置、測角装置及びレーダ装置
JP2020180875A (ja) * 2019-04-25 2020-11-05 三菱電機株式会社 クラッタ学習装置及びクラッタ識別装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102641022B1 (ko) * 2023-08-11 2024-02-28 대한민국 인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템

Also Published As

Publication number Publication date
KR102557458B1 (ko) 2023-07-19

Similar Documents

Publication Publication Date Title
US6801155B2 (en) Method and apparatus for recognising a radar target
US9244159B1 (en) Distinguishing between maritime targets and clutter in range-doppler maps
CN112241003A (zh) 用于对象检测的方法和系统
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
CN110427878A (zh) 一种快速射电暴信号识别方法与系统
Flórez et al. A review of algorithms, methods, and techniques for detecting UAVs and UAS using audio, radiofrequency, and video applications
Testolin et al. Detecting submerged objects using active acoustics and deep neural networks: A test case for pelagic fish
Huang et al. Density-based vehicle detection approach for automotive millimeter-wave radar
CN114720969A (zh) 用于压缩雷达数据的方法和系统
Milios et al. Automatic fusion of satellite imagery and AIS data for vessel detection
KR102557458B1 (ko) 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치
CN113608193A (zh) 一种基于UNet的雷达多目标距离和速度估计方法
CN116466307B (zh) 一种基于深度图的毫米波雷达点云仿真的方法和装置
Lacava et al. Drone audio recognition based on machine learning techniques
Pui et al. Target Classification for 3D-ISAR using CNNs
CN113591695A (zh) 一种基于毫米波雷达点云的行人重识别方法及装置
Haifawi et al. Drone Detection & Classification with Surveillance ‘Radar On-The-Move’and YOLO
KR20210054769A (ko) 레이더 신호 처리 장치 및 레이더 신호 처리 방법
KR20230092460A (ko) 클러터 신호 제거 기반의 레이다 표적 탐지 방법 및 그를 위한 장치
CN116299299B (zh) 速度解模糊方法、装置、雷达设备及存储介质
Yildirim Ship type recognition using deep learning with FFT spectrums of audio signals
Zhang et al. Marine target detection for PPI images based on YOLO-SWFormer
Zhang et al. Small target detection in sea-clutter based on time-doppler spectrum
CN116125466B (zh) 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备
Hu et al. Multi-view SAR Target Recognition Using Bidirectional Conv-LSTM Network

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right